fix(memory): 增量向量化 + 单分片逐条隔离，召回请求数降一个数量级（M61）

M15（2026-10-13）登记的两条放大源落在记忆层，本次一并收口：

1. 整理轮/入库审查**只嵌增量**：新加 vector.Index.Vectors（SQLite/PG 实现，
   按 id 取已存向量、维度不符当未命中），Store.embedIncremental 先复用索引里的
   向量、只嵌缺的那些，并把手算出的向量回填索引 ⇒ 同一分区第二轮起零请求。
   判据写明为「向量存在性 + 维度一致」（正文在本仓不可就地改写，故无需哈希）。
   维度与当前 embedder 不一致时禁用复用并 WARN（不混两种表示）。
2. 嵌入链对单个慢分片有韧性：embedIsolated 整批失败后逐条隔离，坏的那几条
   记缺口、其余照常返回；一条都没拿到才报错降级。请求数上界 1+B（B=8 ⇒ 9），
   服务整体挂死时一次即收手，不用「请求放大」换韧性。
3. 缺口/复用/回填条数进日志（缺口走 WARN），review 的被审条目拿不到向量时
   如实返回错误 ⇒ 走既有词项余弦降级（不把「算不出来」说成「没有重复」）。

请求数（单测内假 OpenAI 兼容服务端计数，生产 API embedder + 真 SQLite 索引）：
  24 条存量：修复前每轮 3 → 第一轮 3、第二轮 0
  12 条分区整理轮：第一轮 2 → 第二轮 0
  20 条候选的入库审查：26（201÷8）→ 第一条 3、第二条 0
  一条坏正文：保住 7/8 条，代价 9 个请求；整体性故障 9 个请求后收手

internal/runtime/memory/vector/index.go

@@ -46,12 +46,19 @@ type Hit struct {
 // Index 是建立在已存 (id, vector) 对上的稠密向量相似度索引。
 //
 // Embed 用接入的 embedder 把一批文本转成向量。Add
-// 持久化一个 (id, vector) 对，id 重复时 upsert。Search 返回与 q
+// 持久化一个 (id, vector) 对，id 重复时 upsert。Vectors 按 id 取回
+// 已存向量（增量向量化的读口）。Search 返回与 q
 // 最相似的前 topK 个 id，按相似度降序排列。Dim 报告
 // 固定向量维度。Close 释放底层数据库。
 type Index interface {
 	Embed(ctx context.Context, texts []string) ([]Vector, error)
 	Add(ctx context.Context, id string, v Vector) error
+	// Vectors 返回与 ids 对齐的已存向量：命中按位置给出，未命中（含维度与
+	// 本索引不符的行）为 nil。ids 为空时返回同长度的空切片。
+	//
+	// 它是「增量向量化」的读口（memory 包的 embedIncremental）：调用方据此
+	// 只嵌缺的那些，而不是每轮把整个分区重新算一遍。它只读，不写任何行。
+	Vectors(ctx context.Context, ids []string) ([]Vector, error)
 	Search(ctx context.Context, q Vector, topK int) ([]Hit, error)
 	Dim() int
 	Close() error